Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting

Resumo Técnico: Programadores de Pesos Rápidos de Inspiração Quântica com Eficiência de Parâmetros para Previsão de Matrizes de Tráfego

Definição do Problema
As matrizes de tráfego (TMs) representam a demanda origem–destino (OD) em uma rede e são críticas para tarefas de engenharia de tráfego, como planejamento de capacidade, mitigação de congestionamento e roteamento. Embora a previsão precisa de toda a matriz seja essencial, ela enfrenta restrições significativas em ambientes operacionais. Em loops de controle de rede online, particularmente em configurações de borda (edge) e borda-nuvem (cloud-edge), os modelos devem operar sob rigorosas limitações de memória, computação e orçamento de treinamento. Mover telemetria detalhada para nuvens remotas introduz custos de latência e largura de banda, necessitando de capacidades de previsão locais que sejam eficientes em termos de recursos. Métodos existentes de alta precisão frequentemente dependem de módulos de grafos, transformers ou difusão de grande escala que podem exceder esses orçamentos de recursos. Este artigo investiga se modelos recorrentes compactos, de inspiração quântica, podem fornecer previsões eficazes de toda a matriz sem depender de codificadores espaciais dedicados ou arquiteturas de grande capacidade.

Metodologia
Os autores adaptam a arquitetura Gated Quantum-Inspired Kolmogorov–Arnold Network Fast Weight Programmer (QKAN-FWP) para a tarefa de previsão direta de múltiplos passos de matriz de tráfego. O estudo utiliza o conjunto de dados da rede backbone Abilene, processando 24 arquivos semanais em quadros de TM de 5 minutos. Cada quadro consiste em 144 pares OD, convertidos em uma representação de TM normalizada por quadro (FN-TM) onde os valores são invertidos e escalonados para [0, 1] para refletir a intensidade relativa do tráfego.

O protocolo experimental envolve uma abordagem de previsão direta de múltiplos passos (direct multi-step forecasting): os modelos ingerem um histórico de 2 horas (24 quadros) e preveem os 100 minutos subsequentes (20 quadros) em uma única passagem direta (forward pass). A avaliação compara três variantes da família QKAN-FWP contra três baselines sob um protocolo de treinamento de orçamento fixo compartilhado (50 épocas, taxa de aprendizado fixa, otimizador Adam):

1. G-QKANFWP: Um programador lento clássico gera atualizações para um programador de peso rápido Híbrido QKAN (não linearidade de inspiração quântica na leitura rápida/fast readout).
2. GQKAN-FWP: O módulo HQKAN é colocado no programador lento, com um programador de peso rápido linear clássico.
3. GQKAN-QKANFWP: Módulos HQKAN são usados tanto no lado lento quanto no rápido (a variante mais comprimida).
4. Baselines: Um LSTM de tamanho correspondente (LSTM-S), um LSTM maior (LSTM-L) e um Programador de Peso Rápido com Portão (G-FWP) clássico sem componentes de inspiração quântica.

O desempenho é medido usando o RMSE agrupado (pooled RMSE) em todas as janelas de teste, horizontes e canais OD, bem como a Área Sob a Curva de Aprendizado (AULC) de perda de validação e taxas de vitória por canal OD.

Principais Contribuições

1. Benchmarking: O estudo fornece uma comparação rigorosa de variantes de G-QKAN-FWP contra baselines recorrentes padrão (LSTMs) e um baseline de peso rápido clássico em uma tarefa de previsão de matriz de tráfego multicanal.
2. Análise de Arquitetura: Isola o impacto do posicionamento do módulo de inspiração quântica dentro da estrutura de peso rápido, testando se a não linearidade é mais eficaz na leitura rápida, no gerador de atualização lenta ou em ambos.
3. Compromisso Eficiência–Precisão: O trabalho demonstra que um modelo recorrente compacto pode alcançar precisão competitiva ou superior a modelos maiores, reduzindo significativamente a contagem de parâmetros, validando especificamente o espaço de design "precisão–eficiência" para controle de rede consciente de recursos.

Resultos

• Precisão Agregada: O modelo G-QKANFWP alcançou o melhor RMSE agrupado (0,06897 ± 0,00030) entre todos os modelos avaliados. Superou o LSTM-S de tamanho correspondente (0,07155) e o G-FWP clássico (0,07038). Notavelmente, superou ligeiramente o significativamente maior LSTM-L (0,06920), utilizando apenas 22,4% dos parâmetros do LSTM-L (8.189 vs. 36.624 parâmetros).
• Desempenho por Horizonte: O G-QKANFWP mostrou o desempenho mais forte nos horizontes curto (H=1) e longo (H=20), enquanto o LSTM-L permaneceu ligeiramente superior no horizonte intermediário (H=10).
• Convergência: Todas as variantes de inspiração quântica demonstraram um AULC de perda de validação inferior ao LSTM-S e ao G-FWP clássico, indicando uma redução de perda mais rápida e sustentada dentro do orçamento de treinamento fixo. O G-QKANFWP igualou a convergência do LSTM-L maior.
• Vitórias por Canal: Embora o LSTM-L tenha vencido o maior número de canais OD individuais (52/144), os modelos de inspiração quântica (G-QKANFWP e GQKAN-FWP) venceram substancialmente mais canais (33 e 39, respectivamente) do que os baselines de tamanho correspondente (8 cada), sugerindo melhorias localizadas através da topologia da rede.
• Insights de Ablação: A comparação com o G-FWP confirma que o ganho de desempenho não se deve apenas à estrutura de peso rápido com portão (gated fast-weight framework), mas é significativamente potencializado pela leitura rápida de inspiração quântica. Colocar o HQKAN na leitura rápida (G-QKANFWP) provou ser mais eficaz do que colocá-lo no programador lento ou em ambos os lados para esta tarefa específica.

Significância e Alegações
O artigo alega que o G-QKANFWP representa um design promissor de "precisão–eficiência" para a previsão de matriz de tráfego de rede consciente de recursos. A principal significância reside em demonstrar que um programador lento clássico combinado com um programador de peso rápido de inspiração quântica pode alcançar precisão agrupada de estado da arte com uma fração dos parâmetros necessários para baselines recorrentes maiores.

Os autores enquadram modestamente sua contribuição não como um substituto para previsores de alta capacidade, mas como uma validação de modelos recorrentes compactos para restrições operacionais específicas. Eles enfatizam que os resultados são específicos para o conjunto de dados Abilene e para o protocolo de treinamento de orçamento fixo. O estudo isola intencionalmente o componente recorrente temporal, sugerindo que trabalhos futuros devem integrar esses módulos recorrentes eficientes com codificadores espaciais dedicados (ex: módulos de grafo ou difusão) para aproveitar ainda mais as dependências espaciais. As descobertas apoiam a viabilidade da programação de peso rápido de inspiração quântica como uma alternativa leve para o controle de rede online, onde os orçamentos de memória e treinamento são as limitações primárias.